近日，我院2024级研究生冯璇撰写的论文《Rethinking Generalization in Graphs: A Hierarchical Interaction Perspective for Generalist Detection》被KDD 2026录用。KDD（ACM SIGKDD Conference on Knowledge Discovery and Data Mining）是数据挖掘与人工智能领域最具影响力的国际顶级学术会议之一，也是中国计算机学会（CCF）推荐的A类国际会议，KDD 2026录取率仅为18.5%。该论文是在郑香平老师指导下完成的。
论文聚焦通用图异常检测这一前沿研究方向。图异常检测旨在从复杂图结构数据中识别异常节点或异常行为，在金融风险监测、网络安全和工业系统监控等场景中具有重要应用价值。随着现实图数据来源日益多样，传统图异常检测方法通常依赖单一数据集训练，面对新的图域往往需要重新训练，难以适应跨领域、零样本和大规模部署需求。针对这一问题，论文提出了面向零样本通用图异常检测的层次交互建模框架HIMO-GAD，突破了现有方法过度依赖跨域语义对齐的局限，转而从节点表示在多层结构传播过程中的演化轨迹出发，挖掘更稳定、更具迁移性的异常识别信号。论文的核心创新包括：提出层次交互演化视角，将节点表示在不同结构深度下的变化过程建模为可迁移的演化轨迹，用于刻画异常节点与正常节点在传播过程中的差异；提出异常感知调控机制，结合梯度免疫策略与中心化约束，抑制源域异常样本对训练过程的过度影响，提升模型在未知目标图上的鲁棒性与泛化能力。实验结果表明，HIMO-GAD在多个真实图数据集上均取得优于现有代表性方法的性能表现。
此次论文被KDD 2026录用，体现了我院研究生在数据挖掘研究方面的创新能力，也反映了学院在高水平科研训练和研究生培养方面取得的积极成效。学院将继续坚持面向国际学术前沿问题，持续提升学生在人工智能、数据挖掘等方向的国际学术影响力。